卷积神经网络在装备磨损颗粒识别中的研究综述

铁谱法是用于装备故障诊断的1种重要方法,其中铁谱法的重点是铁谱图像的分析,即磨损磨粒分析. 卷积神经网络是当下最流行的深度学习算法之一,其广泛应用于图像识别领域,使得图像识别领域得到突破. 随着卷积神经网络的快速发展,磨损颗粒在智能识别方面的技术取得了重大的突破. 本文中首先简述了卷积神经网络与磨粒智能识别的发展历史,针对基于卷积神经网络的磨粒识别方法进行了从图像数据集处理到模型优化技术方面的介绍,并详细说明了这些技术在磨粒识别中的具体应用实例. 然后从现有网络和自设计网络两方面分类,整理了近年来卷积神经网络应用于磨粒智能识别的代表性文献,综述了这些工作所提出的模型结构和特点,分析并阐述了各个模型主要的识别原理,各个网络结构存在的优缺点,以及它们的数据采用情况等,并对未来磨粒智能识别的主要研究方向进行了展望. 最后肯定了卷积神经网络方法在磨粒智能识别方面的重要性,同时指出了基于此方法的磨粒识别模型的缺点,并提出了应紧跟图像识别领域的最新技术以促进磨粒智能识别水平提高等建议,对磨粒智能识别的发展具有一定的意义.      

物理增强的流场深度学习建模与模拟方法

流体运动理论上可用Navier?Stokes方程描述, 但由于对流项带来的非线性, 仅在少数情况可求得方程解析解. 对于复杂工程流动问题, 数值模拟难以高效精准计算高雷诺数流场, 实验或现场测量难以获得流场丰富细节. 近年来, 人工智能技术快速发展, 深度学习等数据驱动技术可利用灵活网络结构, 借助高效优化算法, 获得对高维、非线性问题的强大逼近能力, 为研究流体力学计算方法带来新机遇. 有别于传统图像识别、自然语言处理等典型人工智能任务, 深度学习模型预测的流场需满足流体物理规律, 如Navier?Stokes方程、典型能谱等. 近期, 物理增强的流场深度学习建模与模拟方法快速发展, 正逐渐成为流体力学全新研究范式: 根据流体物理规律选取网络输入特征或设计网络架构的方法称为物理启发的深度学习方法, 直接将流体物理规律显式融入网络损失函数或网络架构的方法称为物理融合的深度学习方法. 研究内容涵盖流体力学降阶模型、流动控制方程求解领域.      

数智流体力学的发展及油气渗流领域应用

大数据及人工智能技术的崛起推动了数智流体力学的快速发展.数智流体力学是将流体力学、大数据和人工智能相结合,以流体力学场景需求为导向,形成以“数”为基础,以“智”为核心,以算力为支撑的新研究范式.核心内涵是要以数据驱动为主,融合物理信息、专家经验等先验知识,利用智能化手段构建“数据+物理”双驱动的数智模型,解决场景需求问题.数智流体力学在建模灵活性、运算效率、计算精度方面具有十分明显的优势,其应用潜力已经在多尺度流动、多场耦合以及流场建模等方面得到验证.数智流体力学研究范式包括数据治理和智能算法构建,其中数据治理工作尤为重要,治理后的数据质量是智能算法能否发挥其价值的关键.智能算法中“数据+物理”协同驱动主要存在四种引入机制,分别是基于输入数据的嵌入机制、基于模型架构的嵌入机制、基于损失函数的嵌入机制和基于模型优化的嵌入机制.以油气领域应用为例,介绍了数智流体力学在储层物性参数预测、压裂效果评价以及注采参数优化等方面的一系列研究进展.数智流体力学是流体力学未来的重要发展方向之一,以场景需求为导向、深度融合物理信息等先验知识的新一代智能理论与方法是数智流体力学发展的必然趋势,能够从崭新的角...     

基于时程深度学习的流场特征分析方法

流场的特征分析是流体力学的重要研究方向,传统方法主要根据流动参数量值的大小加以判断,所得结果受选取的参数形式及主观阈值影响大.本文提出了基于流场时程深度学习的流动特征分析新方法,建立了基于自动编码的流动特征提取模型;采用无监督训练方法充分挖掘流动时程信号中的隐含特征,进行流场中复杂时序特征的低维表征与特征分析.开展了R...     

基于神经算子与类物理信息神经网络智能求解新进展

深度学习通过多层神经网络对数据进行学习,不仅能揭示潜藏信息,还能很好地解决复杂非线性问题.偏微分方程(PDE)是描述自然界中许多物理现象的基本数学模型.两者的碰撞与融合,产生了基于深度学习的PDE智能求解方法,它具有高效、灵活和通用等优点.文章聚焦PDE智能求解方法,以是否求解单一问题为判定依据,把求解方法分为两类:神经算子方法和类物理信息神经网络(PINN)方法,其中神经算子方法用于求解一类具有相同数学特征的PDE问题,类PINN方法用于求解单一问题.对于神经算子方法,从数据驱动和物理约束两个方面展开介绍,分析研究现状并指出现有方法的不足.对于类PINN方法,首先介绍了基础PINN的3种改进方法 (基于数据优化、基于模型优化和基于领域知识优化),然后详细介绍了基于物理驱动的两类解决方案:基于传统PDE离散方程的智能求解方案和无网格的非离散求解方案.最后总结技术路线,探讨现有研究存在的不足,给出可行的研究方案.最后,简要介绍智能求解程序发展现状,并对未来研究方向给出建议.     

基于扩散模型的流场超分辨率重建方法

低分辨率的流场数据具有较少的信息量,不能充分捕捉流场中的细节演化过程.尤其对于湍流的随机脉动特征和小尺度涡旋细节特征更加难以获取,这限制了对流场演化机理进行深入研究.为了解决这一局限性,并从低分辨率流场中重建高分辨率数据,文章提出一种流场超分辨率重建的生成扩散模型FlowDiffusionNet.该模型以低分辨率流场数据输入作为约束条件,采用去噪分数匹配方法,来实现高分辨率流场数据的复现.FlowDiffusionNet在结构设计上充分考虑了流场数据的低频信息与高频空间特征,采用基于扩散过程的建模方法,用于重建高分辨率流场数据的残差.该模型结构便于实现迁移学习,可在不同程度的退化流场上应用.将该方法在多种经典流场数据集上进行测试,并与双三次插值(bicubic)、超分辨率生成对抗网络(SRGAN)、超分辨率卷积神经网络(SRCNN)等方法进行比较.结果表明,该方法在各种流场上的重建性能达到最佳水平,特别是对于包含小尺度涡结构的4倍下采样流场数据,客观评价指标SSIM达到0.999.     

流体力学新进展——————第五届国际流体力学会议概况

介绍了第五届国际流体力学会议(Proceedings of the 5thInternational Conference on Fluid Mechanics, 2007年8月15$\sim$19日, 上海)的基本情况.大会报告涉及生物流体力学、湍流与流动控制、超声速流动、超空泡减阻、破碎波与海岸泥沙输运等当前流体力学前沿领域的研究进展;按流体力学学科分支总结了本次会议分会场交流论文的基本情况,阐述了若干学科分支方向的研究进展.      

基于尾流时程目标识别的流场参数选择研究

浸入流场中的固体壁面会形成高度复杂且具有一定特征的尾流流场, 利用尾流所包含的信息对物体的外形特征进行识别具有重要的应用价值. 然而, 在较高雷诺数情况下尾流流场形态及其时序特征复杂, 难以通过传统的数学物理方法对流场信号进行特征的识别与提取. 本文提出了基于尾流时程数据深度学习的流场特征提取与分析方法, 实现了基于一点的物理量时程进行流场中物体外形的识别; 同时, 对流场中不同物理参数时程的识别精度与识别结果进行分析与研究, 得到适用于目标识别的最优物理量参数. 通过对圆柱和方柱的尾流数据研究结果表明, 本文提出的基于卷积神经网络的模型具有好的训练收敛性和高的预测精度, 能够识别并提取得到时程数据中包含的流场特征, 采用流场横向速度时程作为物体外形识别信号的模型准确率高. 证明了本方法用于浸入流场中物体外形识别的可行性, 是一种目标识别的高精度方法.      

基于神经网络的偏微分方程求解方法研究综述

神经网络作为一种强大的信息处理工具在计算机视觉,生物医学,油气工程领域得到广泛应用,引发多领域技术变革.深度学习网络具有非常强的学习能力,不仅能发现物理规律,还能求解偏微分方程.近年来基于深度学习的偏微分方程求解已是研究新热点.遵循于传统偏微分方程解析解、偏微分方程数值解术语,本文称用神经网络进行偏微分方程求解的方法为...     

基于Mask R-CNN网络的磨损颗粒智能识别与应用

针对设备磨损故障诊断中磨粒识别技术难度高、工作主观经验影响大等问题,采用深度学习技术开展了磨粒智能识别的研究,提出了基于Mask R-CNN卷积神经网络的磨粒数字化表征方法. 该方法利用迁移学习训练基于Mask R-CNN网络的磨粒识别模型对图像中磨粒进行识别和实例分割,然后使用Suzuki85算法、迭代算法、等比例计算方法计算出磨粒的真实尺寸,解决了磨粒分析中难定量分析的问题. 结果表明:基于Mask R-CNN网络(采用R-101-FPN骨干网络)训练的磨粒识别模型可以对图像中多个异常磨损颗粒进行识别,综合准确率和召回率达到当前图像识别领域的主流水平. 辅以上述Suzuki85等算法,成功实现磨粒图像的定量评价分析,对促进设备故障诊断技术的自动化发展和工业应用具有一定的实际应用价值.      

Physics-constrained bayesian neural network for fluid flow reconstruction with sparse and noisy data

In many applications, flow measurements are usually sparse and possibly noisy. The reconstruction of a high-resolution flow field from limited and imperfect flow information is significant yet challenging. In this work, we propose an innovative physics-constrained Bayesian deep learning approach to reconstruct flow fields from sparse, noisy velocity data, where equationbased constraints are imposed through the likelihood function and uncertainty of the reconstructed flow can be estimated. Specifically, a Bayesian deep neural network is trained on sparse measurement data to capture the flow field. In the meantime, the violation of physical laws will be penalized on a large number of spatiotemporal points where measurements are not available. A non-parametric variational inference approach is applied to enable efficient physicsconstrained Bayesian learning. Several test cases on idealized vascular flows with synthetic measurement data are studied to demonstrate the merit of the proposed method.     

Micro-PIV技术——-粒子图像测速技术的新进展

Micro-PIV是近年来发展起来的一种微尺度流动测速技术.它是传统PIV测量与光学显微技术相结合的一种整场、瞬态、定量测量方法, 其基本测速原理与传统PIV相同, 但在示踪粒子选择、图像获取和处理等方面两者存在较大差别.Micro-PIV突破了传统微尺度流体力学测量手段的局限性, 使得对微尺度流动元件的研究从过去只能给出流量、阻力特性等有限信息逐步转向对全流场内流结构的直接测量上, 并且达到了相当高的分辨率和测量精度.本文对近几年Micro-PIV技术发展状况进行了总结和分析, 论述了Micro-PIV技术与传统PIV的主要区别以及具体的处理技术, 反映了其在科学与工程中的应用,并对此项技术的发展作了展望.      

基于物理信息的深度学习求解矩形薄板力学正反问题

建立基于物理信息的神经网络框架,利用深度学习求解矩形薄板力学正反问题.力学正问题为已知矩形薄板的基本参数、边界条件和受力情况,求薄板各点挠度;反问题为已知薄板部分点的挠度、基本参数和受力情况等,识别边界条件.基于物理信息的神经网络模型中,损失函数除基于数据驱动模型的挠度数据拟合部分以外,还引入薄板弯曲基本方程和应力应变...     

超常环境力学领域研究新进展——《力学学报》极端力学专题研讨会综述报告

本文介绍了超常环境力学领域的相关研究背景, 综述了《力学学报》极端力学专题研讨会的学术报告与前沿问题研讨. 以极端力学关注的学科问题为视点, 聚焦深海、深空、超高温、超高速等具有国家重大需求背景的研究方向, 分别介绍了超常环境力学领域的重要成果与最新研究进展. 通过这次会议, 《力学学报》编辑部努力探索一种新的学术交流模式, 能够及时将前沿性、基础性的学术成果传递给相关领域的科研人员, 从而对相关领域的工程技术研发起到支撑作用. 本文还对会议涉及的研究领域进行总结, 期望能促进超常环境力学领域的研究与交流.      

Model identification of reduced order fluid dynamics systems using deep learning

This paper presents a novel model reduction method: deep learning reduced order model, which is based on proper orthogonal decomposition and deep learning methods. The deep learning approach is a recent technological advancement in the field of artificial neural networks. It has the advantage of learning the nonlinear system with multiple levels of representation and predicting data. In this work, the training data are obtained from high fidelity model solutions at selected time levels. The long short‐term memory network is used to construct a set of hypersurfaces representing the reduced fluid dynamic system. The model reduction method developed here is independent of the source code of the full physical system. The reduced order model based on deep learning has been implemented within an unstructured mesh finite element fluid model. The performance of the new reduced order model is evaluated using 2 numerical examples: an ocean gyre and flow past a cylinder. These results illustrate that the CPU cost is reduced by several orders of magnitude whilst providing reasonable accuracy in predictive numerical modelling.